Lĩnh vực trí tuệ nhân tạo (AI) đang tập trung quyền lực với tốc độ chóng mặt. Năm phòng thí nghiệm tiên phong (OpenAI, Anthropic, Google DeepMind, Meta và xAI) đang kiểm soát phần lớn các mô hình AI mạnh mẽ nhất thế giới, dữ liệu độc quyền mà họ đã sử dụng để huấn luyện, cũng như các cụm máy tính cần thiết để huấn luyện thêm. AI phi tập trung chính là giải pháp bản địa của lĩnh vực tiền điện tử.
Trí tuệ nhân tạo phi tập trung (DeAI) là khái niệm cho rằng các thành phần giúp trí tuệ nhân tạo hiện đại hoạt động có thể được điều phối thông qua công nghệ blockchain và cơ chế khuyến khích bằng token, thay vì do một công ty duy nhất kiểm soát. Mục tiêu của nó không phải là cạnh tranh về khả năng huấn luyện với OpenAI trên một cụm GPU trị giá 10 tỷ USD, mà là xây dựng các giải pháp thay thế mở ở những tầng mà mô hình phi tập trung thực sự phát huy hiệu quả.
Trí tuệ nhân tạo phi tập trung là gì?
Trí tuệ nhân tạo phi tập trung (thường được viết tắt là DeAI) là các hệ thống trí tuệ nhân tạo được xây dựng trên nền tảng blockchain và được điều phối thông qua các cơ chế khuyến khích bằng token – phân phối sức mạnh tính toán, dữ liệu, mô hình và quá trình ra quyết định cho nhiều bên tham gia thay vì chỉ một công ty duy nhất.
Từ viết tắt "DeAI" (chữ D và AI viết hoa) hiện đã trở thành tiêu chuẩn trong lĩnh vực này; chúng tôi sử dụng nó thay thế cho cụm từ "trí tuệ nhân tạo phi tập trung" trong toàn bộ bài viết. Thuật ngữ này có phạm vi rộng hơn bất kỳ dự án đơn lẻ nào. Nó bao gồm một hệ thống (các thị trường tính toán ở tầng dưới cùng, các mạng dữ liệu và mô hình ở tầng giữa, các khung công tác đại lý ở tầng trên cùng) được kết nối bởi các lớp điều phối blockchain.
DeAI ra đời nhằm chống lại ba xu hướng. Thứ nhất, sự tập trung của công nghệ AI tiên tiến vào năm phòng thí nghiệm, nơi các quyết định về sự đồng thuận nội bộ, an toàn và định giá của họ ảnh hưởng đến tất cả mọi người. Thứ hai, tính mờ ám của các mô hình đóng được huấn luyện trên dữ liệu mà công chúng không thể xem và không đồng ý. Thứ ba, sự thiếu đồng bộ giữa các phòng thí nghiệm AI và người dùng mà dữ liệu của họ được sử dụng để huấn luyện: giá trị chỉ chảy theo một chiều, không có token, cổ phần hay doanh thu nào được chia lại cho những người đóng góp.
Không có vấn đề nào trong số đó được giải quyết triệt để chỉ bằng cách áp dụng công nghệ blockchain. Tuy nhiên, mỗi vấn đề sẽ trở nên dễ giải quyết hơn khi quyền sở hữu, thanh toán và các bằng chứng có thể được điều phối trong một hệ thống không cần cấp phép.
Trí tuệ nhân tạo phi tập trung so với Học liên kết
"Trí tuệ nhân tạo phi tập trung" và "học liên kết" nghe có vẻ liên quan đến nhau nhưng lại giải quyết những vấn đề hoàn toàn khác nhau. Học liên kết là một kỹ thuật học máy bảo vệ quyền riêng tư được các công ty công nghệ lớn sử dụng; còn DeAI là một phong trào bản địa tiền điện tử được xây dựng dựa trên blockchain và token.
Trong học tập liên kết, một mô hình được huấn luyện trên nhiều thiết bị (điện thoại của bạn, máy chủ của bệnh viện, cơ sở dữ liệu của ngân hàng) mà dữ liệu thô không bao giờ rời khỏi từng thiết bị. Chỉ có các bản cập nhật mô hình được truyền đi. Google Gboard sử dụng công nghệ này để dự đoán từ tiếp theo; Apple sử dụng nó cho việc học trên thiết bị; các liên minh y tế sử dụng nó để huấn luyện các mô hình chẩn đoán mà không tiết lộ hồ sơ bệnh nhân. Một bên trung tâm, thường là công ty sở hữu mô hình, sẽ điều phối toàn bộ quá trình.
DeAI là mô hình trái ngược với sự điều phối tập trung. Nguồn lực tính toán, dữ liệu và đôi khi chính mô hình được sở hữu và vận hành bởi nhiều bên độc lập. Một chuỗi khối (blockchain) đóng vai trò điều phối giữa các bên này; các token được dùng để thưởng cho những đóng góp có giá trị.
Hai phương pháp này có thể được kết hợp với nhau, vì các kỹ thuật học liên kết có thể được triển khai trong các hệ thống DeAI để bảo vệ quyền riêng tư. Tuy nhiên, học liên kết đơn thuần không phải là DeAI. Học liên kết tập trung vào cách thức thực hiện các phép tính toán học. DeAI tập trung vào vấn đề ai là chủ sở hữu của hệ thống.
Cách thức hoạt động của Trí tuệ nhân tạo phi tập trung
DeAI không phải là một công nghệ đơn lẻ; nó là một hệ thống tích hợp. Có bốn lớp quan trọng, mỗi lớp đều có các dự án riêng.
Lớp tính toán
GPU và các thiết bị phần cứng khác cần thiết để huấn luyện và triển khai các mô hình AI. Đây chính là điểm mà DeAI có sự giao thoa trực tiếp với DePIN. Các mạng lưới như Render, Akash và io.net cung cấp dịch vụ cho thuê sức mạnh tính toán GPU phi tập trung cho các tác vụ AI, từ những người đam mê cá nhân thực hiện các tác vụ suy luận cho đến các startup đang tiến hành tinh chỉnh mô hình trên quy mô lớn. Tình trạng thiếu hụt GPU trong giai đoạn 2024–2026 đã khiến lớp này trở thành phần sôi động nhất trong hệ sinh thái DeAI.
Lớp dữ liệu
Các bộ dữ liệu cần thiết để huấn luyện mô hình. Các sàn giao dịch dữ liệu phi tập trung cho phép chủ sở hữu dữ liệu kiếm tiền từ các bộ dữ liệu mà không phải từ bỏ quyền kiểm soát. Các mạng lưu trữ như Filecoin và Arweave lưu trữ các tham số mô hình, bộ dữ liệu huấn luyện và kết quả đầu ra. Khối lượng dữ liệu ở đây vẫn còn khiêm tốn so với các nhà môi giới dữ liệu tập trung, nhưng cơ sở hạ tầng này đang hoạt động hiệu quả.
Lớp mô hình
Các mô hình mở (open-weight) mà bất kỳ ai cũng có thể chạy, tinh chỉnh hoặc sửa đổi. Các mạng lưới đào tạo được khuyến khích bằng token, trong đó Bittensor là nổi bật nhất, sẽ thưởng cho những người tham gia khi họ đóng góp các cải tiến hữu ích cho mô hình trong các tác vụ cụ thể. Lưu ý rằng chỉ riêng "mở trọng số" (như Llama của Meta, các mô hình của Mistral) không phải là DeAI. Đó là mã nguồn mở. DeAI bổ sung thêm sự phối hợp blockchain và kinh tế token bên cạnh tính mở.
Lớp suy luận và tác nhân
Khi mô hình đã được xây dựng, cần phải có người vận hành nó. Các mạng suy luận phi tập trung phân phối công việc này cho nhiều nhà điều hành nút. Trên nền tảng đó là lớp tác nhân AI – những chương trình tự động hoạt động thay mặt người dùng, ngày càng sử dụng tiền điện tử để thanh toán. Olas và Virtuals Protocol là hai dự án được nhắc đến nhiều nhất trong lĩnh vực này, cả hai đều đang trong quá trình hoàn thiện.
Các dự án DeAI hàng đầu cần biết vào năm 2026
DeAI là một phân khúc, chứ không phải là một đối thủ cạnh tranh cụ thể của OpenAI. Hãy phân loại các dự án dựa trên những gì chúng thực sự làm.
Các chuỗi khối tích hợp trí tuệ nhân tạo (AI) và mạng lưới huấn luyện
Bittensor (TAO) là ví dụ được nhắc đến nhiều nhất. Hệ thống này vận hành 128 "mạng con" đang hoạt động, mỗi mạng là một thị trường chuyên biệt dành cho một tác vụ AI cụ thể: huấn luyện trước mô hình ngôn ngữ, nhúng hình ảnh, dự báo tài chính, xử lý giọng nói và tìm kiếm.
Các thợ đào cạnh tranh trên từng mạng con để giành phần thưởng token dựa trên chất lượng sản lượng. Trong quý 1 năm 2026, NVIDIA đã cam kết đầu tư 420 triệu USD và Polychain Capital bổ sung thêm 200 triệu USD, đưa tổng dòng vốn từ các tổ chức vượt mốc 620 triệu USD. Doanh thu mạng đạt 43 triệu USD trong quý vừa qua.
Liên minh ASI
Fetch.ai, SingularityNET, Ocean Protocol và (sau này) CUDOS đã sáp nhập vào năm 2024 để thành lập Liên minh Siêu trí tuệ nhân tạo (Artificial Superintelligence Alliance), hợp nhất các token thành FET và có kế hoạch đổi tên thành ASI. Quá trình đổi thương hiệu hoàn toàn chưa bao giờ được hoàn tất trên các sàn giao dịch, do đó phần lớn các sàn vẫn niêm yết FET.
Vào tháng 10 năm 2025, Ocean Protocol đã chính thức rút khỏi liên minh do những bất đồng về quản trị. Các thành viên còn lại (Fetch.ai, SingularityNET và CUDOS) tiếp tục phát hành các sản phẩm, bao gồm ASI-1 mini, một mô hình ngôn ngữ lớn (LLM) bản địa Web3 với 7 tỷ tham số, và một lớp 1 dự kiến mang tên ASI Chain.
Đại lý
Olas tập trung vào nền kinh tế các tác nhân tự trị: những chương trình độc lập có thể thanh toán cho nhau, phối hợp và hoàn thành các nhiệm vụ. Virtuals Protocol tập trung vào các tác nhân AI dành cho người dùng, đặc biệt trong lĩnh vực trò chơi và mạng xã hội. Lớp này là lớp mới nhất và vẫn đang trong quá trình phát triển.
Điều gì thực sự là phi tập trung và điều gì không
DeAI đang có đà phát triển mạnh mẽ nhưng cũng còn nhiều hạn chế. Đánh giá khách quan, từng bước một:
Huấn luyện mô hình Frontier: vẫn theo phương thức tập trung
Việc huấn luyện một mô hình quy mô GPT-5 đòi hỏi hàng trăm triệu đô la chi phí cho hạ tầng tính toán phối hợp, dữ liệu độc quyền và một đội ngũ kỹ sư tập trung. Không có dự án DeAI nào hiện đang thực hiện điều này ở quy mô tiên phong, và cũng sẽ không sớm thực hiện được.
Ngay cả cột mốc kỹ thuật lớn nhất của Bittensor (quá trình huấn luyện trước hợp tác với 72 tỷ tham số của Covenant AI vào tháng 3 năm 2026) cũng nhỏ hơn hàng chục lần so với các nỗ lực của các phòng thí nghiệm tiên phong. Sau đó, Covenant đã rời khỏi mạng lưới, gọi quá trình phi tập trung hóa là "màn kịch" do những tranh chấp về quản trị, một lời nhắc nhở rằng "phi tập trung" có thể mô tả khía cạnh toán học mà không mô tả quyền lực.
Tính toán: thực sự phi tập trung
GPU là tài nguyên có thể thay thế cho nhau, các tác vụ thường ngắn và việc xác minh kết quả rất đơn giản, đó chính là lý do nguồn cung đã thực sự được đáp ứng ở đây. Render xử lý khoảng 1,5 triệu khung hình mỗi tháng; Akash đã vượt mốc 5 triệu USD chi phí tính toán trong quý 1 năm 2026; io.net tập hợp các GPU từ hơn 130 quốc gia. Cùng một chiếc card chạy trò chơi điện tử vào ban đêm có thể chạy một tác vụ suy luận vào sáng hôm sau, và khách hàng không cần biết ai là chủ sở hữu của nó.
Dự đoán: khả thi và đang phát triển
Quá trình suy luận không lưu trạng thái, các tác vụ có quy mô nhỏ và kết quả đầu ra có thể kiểm chứng được – đây chính là bước tiếp theo tự nhiên trong quá trình phi tập trung hóa sau khi đã xử lý tính toán thô. Các mạng lưới tận dụng các GPU dành cho người tiêu dùng và game thủ vốn thường nằm im không hoạt động, do đó một mô hình có trọng số mở nhỏ như Llama-3-8B thường có thể được triển khai với chi phí chỉ bằng một nửa so với AWS hoặc Azure. Khoảng cách này thu hẹp khi kích thước mô hình tăng lên; việc triển khai một mô hình có 400 tỷ tham số theo cách phi tập trung vẫn khó hơn so với trên các nền tảng hyperscaler.
Các sàn giao dịch dữ liệu: còn ở giai đoạn sơ khai nhưng đã trở thành hiện thực
Các nền tảng như Vana dành cho dữ liệu cá nhân và Grass dành cho dữ liệu thu thập từ web đã chứng minh rằng việc trao đổi dữ liệu phi tập trung là hoàn toàn khả thi về mặt kỹ thuật. Vấn đề khó khăn hơn nằm ở phía nhu cầu. Các phòng thí nghiệm AI hiện đã có đủ những gì họ cần: dữ liệu thu thập từ web mở cùng với các thỏa thuận trực tiếp cao cấp (Reddit–Google, NYT–OpenAI, Shutterstock). Các thị trường phi tập trung giải quyết một vấn đề về phía cung mà phía cầu chưa gặp phải, mặc dù điều đó sẽ thay đổi nếu dữ liệu huấn luyện trở nên cạnh tranh hơn.
Nghiên cứu và phát triển (R&D) được khuyến khích bằng token: hoạt động trong các phân khúc hẹp
Phần thưởng bằng token phát huy hiệu quả trong việc cải thiện từng bước các nhiệm vụ có thể đo lường được (độ chính xác chuyển đổi giọng nói thành văn bản, chất lượng nhúng, các tiêu chuẩn đánh giá phân loại hình ảnh) và các mạng con của Bittensor tạo ra các mô hình cạnh tranh chính xác trong những lĩnh vực đó. Điều mà token không thể dễ dàng tài trợ là nghiên cứu đột phá, vốn cần nhiều năm đầu tư kiên nhẫn, các thí nghiệm tốn kém và sự chấp nhận rủi ro thất bại. Các tranh chấp về quản trị của Bittensor cũng đặt ra một câu hỏi mang tính cấu trúc: hoạt động R&D gắn liền với token chỉ hiệu quả khi giao thức xung quanh nó cũng hoạt động hiệu quả.
Kết luận
Câu hỏi thú vị về DeAI vào năm 2026 là những tầng nào trong hệ thống sẽ đứng vững khi phải đối mặt với sự kiểm tra kỹ lưỡng. Các hoạt động tính toán và suy luận đang thực hiện những công việc thực tế, có thể đo lường được cho các khách hàng trả phí.
Các sàn giao dịch dữ liệu và mô hình đang phát triển nhưng vẫn chưa được kiểm chứng. Lớp quản trị (phần quyết định xem thuật ngữ "phi tập trung" ám chỉ đến cơ chế toán học hay quyền lực) liên tục gây ra những tranh cãi, như việc Ocean rút khỏi Liên minh ASI và Covenant rút khỏi Bittensor.
DeAI sẽ không thay thế OpenAI vào năm 2026, và có thể sẽ không bao giờ làm được điều đó. Tuy nhiên, DeAI đang xây dựng những giải pháp thay thế thực sự ở tầng giữa và các tầng biên của hệ thống, và đó chính là nơi mà phần lớn mọi người cuối cùng sẽ tương tác với trí tuệ nhân tạo.
